16丁恩杰--基于Spark平台的微震监测快速定位方法研究.pdf

第 44 卷第 7 期 煤 炭 科 学 技 术 Vol．44No．7 2016 年7 月 Coal Science and TechnologyJuly2016 基于 Spark 平台的微震监测快速定位方法研究 丁恩杰1， 2， 3， 吕雅洁1， 2， 3， 胡东平1， 2， 3 ， 陈 卿1， 2， 3 1. 中国矿业大学 信息与电气工程学院，江苏 徐州221008; 2. 中国矿业大学 物联网 感知矿山 研究中心，江苏 徐州 221008; 3. 矿山互联网应用技术国家地方联合工程实验室，江苏 徐州221008 摘要 针对微震监测海量震动波数据实时处理难题， 提出了在 Spark 大数据处理平台上对大量震动 数据进行处理， 提出基于粒子群寻优策略的震动波震源 TDOA 定位的并行计算程序思路， 并在 3 台机 器组成的小型 Spark 集群环境下进行试验验证。试验证明了在 Spark 平台上做海量震动波数据处理 的可行性， 并且证明了与单机震源定位计算相比， 此方法可以有效加快最优解的收敛速度， 提高处理 效率。 关键词 微震监测; 互联网; Spark 大数据处理平台; TDOA 定位; 并行粒子群算法 中图分类号 TD61文献标志码 A 文章编号 0253－2336 2016 07－0022－05 Study on microseismic monitoring rapid locating based on Spark plat Ding Enjie1， 2， 3， Lyu Yajie1， 2， 3， Hu Dongping1， 2， 3， Chen Qing1， 2， 3 1. School of Ination and Electrical Engineering， China University of Mining ＆ Technology， Xuzhou221008， China; 2. IoT Perception Mine Ｒesearch Center， China University of Mining ＆ Technology， Xuzhou221008， China; 3. State－Province United Engineering Laboratory on Mine Internet Application Technology， China University of Mining ＆ Technology， Xuzhou221008， China Abstract According to a real－time processing difficult problem of the massive seismic wave data of the microseismic monitoring and meas- uring， the paper proposed that the massive seismic wave data would be processed on the Spark big data processing plat．Based on the optimization strategy of the particle swarm， an idea on the parallel calculation program of the seismic wave source TDOA positioning was provided and the test verification was conducted in environment of small Spark cluster consisted with three computers．The test proved the feasibility of the massive seismic wave data processing on the Spark plat．In comparison with the single computer seismic source posi- tion calculation， the could effectively speed up the optimal solution convergence rate and could improve the processing efficiency． Key words microseismic monitoring and measuring;internet ;Spark big data processing plat;TDOA positioning;parallel particle swarm algorithm 收稿日期 2016－02－11; 责任编辑 赵瑞DOI 10．13199/j．cnki．cst．2016．07．004 基金项目“十二五” 国家科技支撑计划资助项目 2012BAH12B01， 2012BAH12B02 作者简介 丁恩杰 1962 ， 男， 山东青岛人， 教授， 博士生导师， 博士。Tel 0516－83899763， E－mail enjied cumt. edu. cn 引用格式 丁恩杰， 吕雅洁， 胡东平， 等．基于 Spark 平台的微震监测快速定位方法研究［J］．煤炭科学技术， 2016， 44 7 22－27． Ding Enjie， Lyu Yajie， Hu Dongping， et al．Study on microseismic monitoring rapid locating based on Spark plat［J］．Coal Science and Technology， 2016， 44 7 22－27． 0引言 目前在我国能源生产和消费中， 煤炭仍占 67， 煤炭占主要能源的地位， 将在相当长的历史时 期中不会改变 ［1 ］。在“互联网” 的经济形势下， 煤 矿开采也进入多方位网络监测监控安全生产阶段。 随着煤矿开采深度的不断增加， 以冲击矿压、 矿震、 突水、 煤与瓦斯突出、 顶板大面积垮落为代表的煤矿 灾害事故越来越突出， 并具有日益加剧的趋势。冲 击矿压作为采矿活动诱发的破坏性矿震， 具有突然、 急剧和猛烈的破坏特征， 严重威胁着矿山的安全生 产， 给我国煤矿造成了巨大的经济损失和人员伤亡。 微震监测技术是煤矿灾害事故预测的重要手 段 ［2－4 ］。研究发现震动活动的频次、 能量分布与井 22 中国煤炭期刊网 w w w . c h in a c a j . n et 丁恩杰等 基于 Spark 平台的微震监测快速定位方法研究2016 年第 7 期 下冲击地压、 煤与瓦斯突出等矿井动力灾害关系密 切 ［5－6 ］。煤矿微震监测是将微震监测技术应用在煤 矿井下， 记录震动活动频率、 能量、 波形等信息， 利用 震波记录初至时间信息定位煤矿井下微震事件的位 置、 反演煤岩体的纵波速度、 分析应力的分布特征 等， 为预测冲击危险区域提供支持［7 ］。 目前， 在微震定位技术的研究中， 震源迭代类算 法被广泛的研究和投入使用， 如 Geiger 提出了一种 经典的高斯－牛顿拟合震源定位算法， Geiger 法需要 求解偏导数和逆矩阵， 计算量很大 ［8－9 ］。此外， 单一 速度模型在实际应用中有很大局限性， 层速度模型 与更加细致划分的网格速度模型给定位计算带来更 大的算法复杂度， 数据处理效率越来越成为微震定 位算法的瓶颈。因此， 笔者构造了分布式微震监测 系统， 并提出在 Spark 集群平台上进行海量数据处 理工作， 以促进系统达到实时监测的效果。 1分布式微震监测系统及存在问题 1. 1分布式微震监测系统原理 目前国内外使用的微震监测方案都相类似， 构 建同步授时网络和数据传输网络， 将振动传感器分 布到待监测环境中， 监测区域内的震动事件， 传输并 集中对震动数据进行反演处理， 以实现区域内实时 监测并精确定位震源。 笔者构建的分布式微震监测系统分为上位机和 下位机 2 个部分。其中， 上位机包括前端显示和并 行计算服务平台 2 个部分， 下位机包括振动传感器、 信号采集模块、 时间同步模块和数据传输模块。分 布式微震监测原理如图 1 所示。 分布式微震监测系统实现的主要过程为 ①下 位机部分与井上主时钟实现时间同步， 在此之前井 下主时钟与 GPS/北斗时钟同步模块已经完成时间 同步过程， 获得当前的精确时间; ②下位机采集数 据， 将采集到的数据加上时间戳后经数据传输模块 通过网络发送到上位机数据中心; ③数据中心对数 据进行反演处理并将处理结果在前端显示出来。 地层中， 震动波波速变化反应了地层结构， 反演 处理中， 对于均匀介质传播环境， 震动活动发生后， 可以通过相邻传感器接收到震动初至波的时间差值 来判定波速、 震源点及地层情况; 对于更加实际的非 均匀介质环境， 目前研究最多的是使用多参量多目 标的空间网格划分方法， 在惠更斯原理和斯奈尔定 理的基础上， 通过改进的到达时间差定位法反演震 动波传播路线， 从而监测区域内波速的变化。 图 1分布式微震监测原理 Fig. 1Principle of distributed microseismic monitoring 1. 2到达时间差定位法 TDOA 定位 TDOA 定位通过测量震源信号到达多个检波器 的时间差值确定相应的距离差值， 从而实现定位， 其 数学表现形式为求解一组双曲线方程［10 ］。笔者仅 讨论均匀介质条件下， 当检波器排列于 1 条直线时， 二维远场震源的快速定位方法， 二维远场震源定位 原理如图 2 所示 ［11 ］。 图 2二维远场震源定位原理 Fig. 2Location principle of two dimensional far field seismic source 图 2 中 x1， y1、 x2， y2、 x3， y3、 x4， y4 为检波器坐标， x， y为震源坐标， 若震源坐标与波 速为未知量， 假设震波到达各检波器的到达时间差 依次为 t12、 t23、 t34， 可以得到关于 x， y的二元方 程组， 见式 1 。 x1－x 2 y 1－y 槡 2 － x2－x 2 y 2－y 槡 2 x2－x 2 y 2－y 槡 2 － x3－x 2 y 3－y 槡 2 t12 t23 x1－x 2 y 1－y 槡 2 － x2－x 2 y 2－y 槡 2 x3－x 2 y 3－y 槡 2 － x4－x 2 y 4－y 槡 2 t12 t34          1 式 1 是非线性方程组， 可以应用粒子群算法 等非线性方法进行求解， 可令目标函数 f 为 32 中国煤炭期刊网 w w w . c h in a c a j . n et 2016 年第 7 期煤 炭 科 学 技 术 第 44 卷 f x1－x 2 y 1－y 槡 2 － x2－x 2 y 2－y 槡 2 x2－x 2 y 2－y 槡 2 － x3－x 2 y 3－y 槡 2 x1－x 2 y 1－y 槡 2 － x2－x 2 y 2－y 槡 2 x3－x 2 y 3－y 槡 2 － x4－x 2 y 4－y 槡 2 － t12 t23 －t 12 t34 2 使式 2 为 0 的向量 x， y即为满足方程组的 数值解。 1. 3存在问题分析 从监测方案的原理可知， 在监测区域内， 振动传 感器分布数量越大， 越密集， 对于震动定位结果越有 利。在增加传感器数量的过程中， 同时也会伴随多 个问题， 首先， 在同一区域内增加传感器的数量， 就 会同时减小传感器间的距离， 使得到达时间差的值 变小， 精度要求也相应提高， 而传感器拾取的精度是 由采样频率决定的， 所以增加传感器数量的同时， 必 须要提高传感器的采样频率。在采样率和传感器数 量都增加的情况下， 数据传输量也会大幅增加。 以本文的系统方案监测小区域为例， 当井下存 在 50 个传感器时， A/D 转换器为 16 bit， 采样频率 为 10 kHz， 传感器为三分量， 因此可以计算得到 50 个三分量传感器进行数据传输的最小带宽需求为 3 MB/s。 当传感器数量增至 100 个时， 根据前文分析， 为 了保证到达时间差的精度， 采样频率至少不能低于 100 kHz， 如此可以得到 100 个三分量传感器进行数 据传输的最小带宽需求为 60 MB/s。 而实际情况下， 由于取样速率要更高， 传感器数 据还要在数据封包时加入各种包头、 包尾， 因此实际 占用的带宽要远大于此带宽。当然， 实际情况下， 由 于在进行数据传输前还会对数据进行一定程度的实 时压缩， 视压缩程度的不同， 传感器对带宽的需求将 在一定程度上降低。 数据中心接收到传感器数据后还需要对其进行 存储， 假设传感器的数据发送速率为 60 MB/s， 则进 行 1 天的数据存储空间理论上需要为 5 062. 5 GB。 当传感器数量增多时需要的存储空间将更大。 适用于本系统的数据中心需要具有高数据吞吐量、 可任意扩充的大容量存储空间、 支持并行存储和并 行计算的特点， 因此， 可考虑采用时下流行的 Spark 大数据处理平台构造数据处理集群， 以满足本系统 的需求。 2Spark 大数据处理平台 Spark 是由 UC Berkeley AMPLab 实验室于 2009 年开发的开源数据分析集群计算框架， 2014 年成为 Apache 顶级项目 ［12 ］。目前， Spark 已经广泛应用于 阿里、 百度、 网易、 英特尔等各大知名互联网公司， 成 为 2014 年大数据领域最活 跃 的 开 源 项 目 ［13 ］。 Spark 是一个分布式计算系统， 即分布式计算框架。 运用计算机集群， 分布式、 并行化地处理大规模数 据， 是当下应用最广泛的大数据处理平台之一。相 比于另一个分布式计算框架 Hadoop， Spark 最突出 的优势在于它是基于内存的， 而 Hadoop 是基于硬盘 的， 如果最大限度地使用内存， 速度比 Hadoop 快 40 倍以上 ［14 ］。 Spark 的核心组件包括 Spark 与数据库的交互 部分 SQL ＆ Shark， Spark 的实时处理部分 Stream- ing， Spark 机 器 学 习 部 分 MLlib 和 图 计 算 部 分 GraphX， 分布式编程框架的核心 Spark Core， Spark 自带的资源管理框架 Standalone Scheduler， 集群资 源管理系统 YAＲN 和 Mesos 等 ［15 ］。 2. 1ＲDD Spark 的核心部分是弹性分布式数据集 ＲDD， Ｒesilient Distributed Data sets ， 是一种精心设计的 基于内存的集群计算容错抽象［16 ］。 一个 ＲDD 的内容包括以下 4 个部分 数据集的 最小组成部分， 即一系列 ＲDD 分区 Partition ; 记录 该 ＲDD 衍生路径的相关信息 Lineage ; 父 ＲDD 上 执行的方法; 元数据， 记录数据存放位置和分区 模式。 ＲDD 不需要物化。ＲDD 包含本 ＲDD 从其他 ＲDD 派生过程的相关信息， 因此， 为了把丢失的分 区恢复， 相应的 ＲDD 分区可以通过物理存储的数据 来计算。ＲDD 支持基于工作集的应用， 同时还具备 可伸缩性、 位置感知调度和自动容错等特点。分布 式共享内存系统需要高成本的检查点和回滚机制， ＲDD 与它不同， 其利用关系链重建丢失的分区 ＲDD 中包含本 ＲDD 从其他 ＲDD 派生过程的相关 信息， 由此可以轻松重建丢失的数据分区， 而不需要 在设置检查点上浪费时间。虽然 ＲDD 还不是一个 通用的集群上的共享内存抽象， 但它有良好的可靠 性、 可伸缩性和描述能力， 能够很好地满足数据并行 程序的应用需求。 42 中国煤炭期刊网 w w w . c h in a c a j . n et 丁恩杰等 基于 Spark 平台的微震监测快速定位方法研究2016 年第 7 期 2. 2Spark 集群 Spark 集群即由多台电脑通过网络按一定规则 连接组成的分布式计算机群。其连接结构如星形， 一个主节点， 多个从节点。Spark 集群结构如图 3 所示。 图 3 Spark 集群结构 Fig. 3Spark cluster structure 主节点接收开发者编写的程序和用户发出的请 求， 然后将任务分割细化， 再分发到各个从节点上去 执行。从节点完成任务后， 将结果返回给主节点， 由 主节点将结果整合得出最终结果， 返回给开发者。 在从节点的操作过程中， 数据块从分布式存储系统 HDFS 中获取， 计算后的 ＲDD 分区被以 Java 对象的 形式存放在内存中。 3在 Spark 集群平台实现震动波快速定位 当基于 Spark 集群的分布式矿震监测系统数据 中心接收到下位机传感器发送的海量监测数据后， 需要进行以下处理过程 ①将数据存储到 HDFS 分 布式文件系统中; ②将有效的震动信号提取出来; ③针对每一次震动， 进行震动波数据预处理， 将相邻 传感器间的到达时间差数据计算出来; ④根据到达 时间差反演监测区域的震源位置、 震级和速度分布 等情况。 针对最后到达时间差反演中， 基于均匀介质的 TDOA 震源定位工作， 在 Spark 集群环境下验证它的 可行性和效率。 用串行粒子群算法实现 TDOA 定位基本过 程 ［17－20 ］ 在一个二维的求解域中， 每个坐标解实例 化为一个粒子， 形成由 m 个粒子组成的种群 x x1， x2 T ， 这里第 i 个粒子位置 xi xi， 1， xi， 2 T ， 该 粒子的速度 vi vi， 1， vi， 2 T 。它的个体极值由适应 度函数式 2 决定， 表示为 pi pi， 1， pi， 2 T ， 种群的 全 局 极 值 由 全 部 个 体 极 值 决 定，为 pg pg， 1， pg， 2 T 。在找到上面 2 个极值后， 就可以通过 式 3 和式 4 对其速度和位置进行更新。 vk1 i， d ωv k i， d c 1 p k i， d － x k i， d rand c2 pk g， d － x k i， d rand 3 xk1 i， d x k i， d v k1 i， d 4 式中ω 为惯性权重;c1、c2为加速常数或学习因 子; rand 为介于 0， 1 之间的随机数;vk i， d、x k i， d为 粒子 i 在第 k 次迭代中第 d 维的速度和位置; pk i， d为 粒子 i 在第 d 维的个体极值位置; pk g， d为群体在第 d 维的全局极值位置。 在串行程序中， 主要部分是循环迭代。对于迭 代程序的并行化是 Spark 集群的又一优势所在。这 里 Spark 不仅可以利用集群将任务分而治之， 实现 并行， 还可以通过将迭代的中间结果存入内存， 进一 步提高运行效率。 基于 Spark 集群的粒子群定位算法设计思路如 下 初始化种群， 只需要将粒子以 ＲDD 的形式存储。 在关键的循环迭代部分， 把所有串行程序中用 for 循 环对数组的更新操作改为用 ＲDD 的 map 方法来实 现。另外， 在每一次循环迭代的开始， 都将迭代的中 间结果放入内存， 以备下次快速调用。设置最大迭代 次数为退出条件， 如果全局极值连续一定次数没有改 变， 则给迭代次数赋一个较大值， 使程序结束。当在 循环迭代中， 除了使用 Spark 的功能使程序并行化以 外， 还可以用 Scala 自带的并行化编程方法 actor。在 输出中间数据时， 将其放入 actor 内， 使数据的输出与 其他计算工作同时进行， 进一步加强程序的并行化。 并行粒子群算法流程如图 4 所示。 itar 为当前迭代次数; max 为最大迭代次数 图 4并行粒子群算法流程 Fig. 4Parallel particle swarm algorithm flow chart 52 中国煤炭期刊网 w w w . c h in a c a j . n et 2016 年第 7 期煤 炭 科 学 技 术 第 44 卷 4试验测试与结果分析 4. 1试验环境 所用 Spark 集群由 3 台计算机组成， 其中 1 个 是工作站， 另外 2 个是普通台式机。工作站 12 核 CPU， 主频 2. 60 GHz， 内存 32 GB; 普通台式机 2 核 CPU， 主频 2. 94 GHz， 内存 2 GB。Spark 集群中采用 的软件版本信息如下 Ubuntu－14. 10 操作系统、 JA- VA 开发工具包 jdk－7u67－linux－x64、 Hadoop 环境 版本 Hadoop－1. 2. 1、 Spark－1. 1. 0。 试验数据使用 15 组小范围实测震动波数据提 取的到达时间差值， 具体数据信息见表 1。 表 1震源坐标与对应的到达时间差值实测数据 Table 1Measured data of source coordinates and corresponding arrival time difference 试验 编号 实测 x 坐标/m 实测 y 坐标/m t12/mst23/mst34/mst45/ms 110. 22. 80. 790. 760. 670. 36 210. 52. 60. 820. 780. 700. 44 310. 02. 90. 790. 750. 650. 31 46. 45. 20. 580. 370. 23－0. 33 56. 35. 50. 560. 340. 74－0. 33 66. 55. 00. 600. 390. 40－0. 34 72. 94. 90. 26－0. 14－0. 46－0. 64 82. 84. 50. 26－0. 17－0. 50－0. 66 92. 85. 00. 24－0. 15－0. 50－0. 64 10－4. 73. 1－0. 74－0. 78－0. 80－0. 81 11－4. 83. 2－0. 74－0. 78－0. 80－0. 81 12－4. 53. 3－0. 72－0. 77－0. 79－0. 81 13－7. 73. 5－0. 78－0. 80－0. 81－0. 82 14－7. 13. 4－0. 77－0. 80－0. 81－0. 82 15－8. 53. 4－0. 80－0. 81－0. 82－0. 82 注 t12、 t23、 t34、 t45为到达时间差， 例如 t 12为震动波到达传感器 1 与到达传感器 2 之间的时间差值。 4. 2试验结果分析 在上述条件下， 分别在 Spark 集群环境下进行 并行粒子群寻优震源位置的试验， 以及单机 MAT- LAB 环境下的串行粒子群寻优试验， 其中， 粒子群 参数配置完全相同 群体规模 40 个; 最大迭代次数 500; 适应度条件 98 ， 可以得到计算用时对比结 果如图 5 所示。 从试验结果可以看出， 并行粒子群算法计算用 时与串行算法相比有很大优势， 并行粒子群定位平 均用时 1. 8 s， 串行粒子群定位平均用时 11. 0 s， 这 是由于 Spark 集群并不是简单的效率叠加， 而是通 过弹性任务分配， 使多台 workers 协同配合完成。另 外由于本次试验数据规模并不大， 集群运算中数据 分配和传输阶段占用时间比例较高， 若进行种群规 模更大， 精度更高的试验， Spark 集群的计算优势将 更加明显。 图 5定位计算用时对比 Fig. 5Calculation time comparison of locating 分析计算结果误差得知， 每组试验并行粒子群 算法与串行粒子群算法得出结果相类似， 误差相差 甚微， 这是由于设定试验参数时， 为了保证 2 种算法 试验的可比性， 初始种群从特定的较均匀分散在种 群集合中的 40 个位置选择， 其他参数设置也相同， 2 种算法的原理一致， 并且最后控制退出的参数为迭 代次数， 使得算法过程和数据结果也相类似。若迭 代初期随机选取初代粒子， 会使得试验结果比较随 机， 没有可比性。 从图 6 结果可知， 改变参数中最大迭代次数， 可 以得到基于 Spark 集群的并行粒子群算法定位计算 的平均用时和平均准确度， 均随迭代次数的增加而 增加， 而且在最大迭代次数大于 600 次时， 平均用时 逐渐收敛于同一个值 1. 87 s， 平均准确度趋近于 98， 这是由于试验设定中当适应值达到要求以后， 图 6定位计算平均用时与平均准确度 Fig. 6Average time and average accuracy of locating calculation 62 中国煤炭期刊网 w w w . c h in a c a j . n et 丁恩杰等 基于 Spark 平台的微震监测快速定位方法研究2016 年第 7 期 程序即停止， 这说明， 本次试验中， 各组寻优定位在 迭代600 次左右， 即找到满足适应度达到 98的解。 这是由粒子群寻优定位策略的原理和参数设定决定 的， 并不受集群运算平台的影响。 5结语 在不影响定位原理和精度的情况下， 笔者提出 的在 Spark 集群上对震动数据进行处理是可行的， 并且可以大幅提高分布式矿震监测数据处理效率。 本研究目前尚不成熟， 对于震动波处理过程还没有 进行全面彻底的并行化试验， 对于非均匀介质情况 下反演定位也没有进行并行化试验， 但是从本文的 相对简单， 规模较小的试验可以看出， Spark 集群计 算平台是一种高效工具， 并不改变方法本质， 所以沿 着本文思路， 增加集群规模、 全面并行化数据处理过 程后， 数据处理效率将会达到实时要求。并且本文 方法并不局限于矿震监测， 对于石油等行业的安全 生产实时监测监控都将有很大的帮助。 参考文献 Ｒeferences ［ 1］王长尧．2014 年中国煤炭消费量同比下降 2．9［EB/OL］． ［ 2015－11－27］．http / /www．cnenergy．org/mt/201502/t20150－ 227_347088．html． ［ 2］姜耀东， 潘一山， 姜福兴， 等．我国煤炭开采中的冲击地压机理 和防治［J］．煤炭学报， 2014， 39 2 205－213． Jiang Yaodong， Pan Yishan， Jiang Fuxing， et al．State of the art re- view on mechanism and prevention of coal bumps in China［J］． Journal of China Coal Society， 2014， 39 2 205－213 ［ 3］巩思园， 窦林名， 徐晓菊， 等．冲击倾向煤岩纵波波速与应力关 系试验研究［J］．采矿与安全工程学报， 2012， 29 1 67－71． Gong Siyuan， Dou Linming， Xu Xiaoju， et al．Experimental study on the correlation between stress and p－wave velocity for burst tend- ency coal－rock samples［J］ ．Journal of Mining ＆ Safety Engineer- ing， 2012， 29 1 67－71． ［ 4］张申， 赵小虎．论感知矿山物联网与矿山综合自动化［J］．煤 炭科学技术， 2012， 40 1 83－87． Zhang Shen， Zhao Xiaohu．Comments on sensory mine internet of things and mine comprehensive automation［J］ ．Coal Science and Technology， 2012， 40 1 83－87． ［ 5］张申， 丁恩杰， 徐钊， 等．物联网与感知矿山专题讲座之二 感知矿山与数字矿山、 矿山综合自动化［J］ ．工矿自动化， 2010 11 129－132． Zhang Shen， Ding Enjie， Xu Zhao， et al．Part Ⅱ of lectures of Inter- net of things and sensor minethe perception of mine and digital mine， mine integrated automation industrial automation ［J］．Auto- mation of Mining， 2010 11 129－132． ［ 6］巩思园．矿震震动波波速层析成像原理及其预测煤矿冲击危险 应用实践［D］．徐州 中国矿业大学， 2010． ［ 7］姜福兴， 苗小虎， 王存文， 等．构造控制型冲击地压的微地震监 测预警研究与实践［J］．煤炭学报， 2010， 35 6 900－903． Jiang Fuxing， Miao Xiaohu， Wang Cunwen， et al． Predicting re- search and practice of tectonic－controlled coal burst by microseis- mic monitoring［J］．Journal of China Coal Society， 2010， 35 6 900－903． ［ 8］贾宝新．矿震监测的理论与应用研究［D］．阜新 辽宁工程技术 大学， 2013． ［ 9］李楠．微震震源定位的关键因素作用机制及可靠性研究 ［D］．北京 中国矿业大学 北京 ， 2014． ［ 10］张涛．蜂窝网络中基于 TDOA 的无线定位算法研究［D］．北 京 北京邮电大学， 2013． ［ 11］胡梦云．无线传感器网络 TDOA 定位算法研究［D］．大连 大 连海事大学， 2012． ［ 12］维基百科．Cloud computing［EB/OL］．［2015－11－10］．http / / zh．wikipedia．org/wiki/Cloud－computing． ［ 13］袁露， 肖志勇， 王映龙．论大数据的现状及其发展研究［J］． 教育教学论坛， 2014 44 86－87． Yuan Lu， Xiao Zhiyong， Wang Yinglong．Ｒesearch on the current situation and development of big data［J］．Education Teaching Fo- rum， 2014 44 86－87． ［ 14］李爽．基于 Spark 的数据处理分析系统的设计与实现［D］． 北京 北京交通大学， 2015． ［ 15］Sherif Sakr， Liu Anna， Ayman G Fayoumi．The family of mapre- duce and large－scale data processing systems［J］．ACM Compu- ting Surveys CSUＲ ， 2013 1 22－28． ［ 16］Zhang Shufen， Yan Hongcan， Chen Xuebin．Ｒesearch on key tech- nologies of cloud computing［J］．Physics Procedia， 2012， 33 5 1791－1797． ［ 17］朱海梅， 吴永萍．一种高速收敛粒子群优化算法［J］ ．控制与决 策， 2010， 25 1 20－25． Zhu Haimei， Wu Yongping． A high speed convergent particle swarm optimization algorithm［J］．Control and Decision， 2010， 25 1 20－25． ［ 18］唐俊．PSO 算法原理及应用［J］．计算机技术与发展， 2010， 20 2 213－216． Tang Jun．Principle and application of PSO algorithm［ J］ ．Comput- er Technology and Development， 2010， 20 2 213－216． ［ 19］闫广， 陈卿， 刘晓文．到时差计算中并行相关算法试验及 性能分析［J］．物联网技术， 2015 2 52－55． Yan Guang， Chen Qing， Liu Xiaowen．Test and perance analy- sis of parallel correlation algorithm in time difference calculation ［J］．Internet of Things Technologies， 2015 2 52－55． ［ 20］刘义， 景宁， 陈荦， 等．MapＲeduce 框架下基于 Ｒ－树的 K－ 近邻连接算法［J］．软件学报， 2013， 24 8 1836－1851． Liu Yi， Jing Ning， Chen Luo， et al．Map reduce framework based on Ｒ－tree K－neighbor joining algorithm［J］．Journal of Software， 2013， 24 8 1836－1851． 72 中国煤炭期刊网 w w w . c h in a c a j . n et